【技術實現步驟摘要】
本專利技術涉及一種風力發電機組軸承故障的診斷方法，屬于發電機。
技術介紹
1、風力發電機組狀態監測一直是風電機組研究中的一個焦點。風力發電機組由于其巨大的體積和惡劣的運行條件，很容易發生故障，這導致了巨大的維護和運行成本。因此，密切關注風力發電機組的狀況并降低風力發電機組的故障率是非常重要的。軸承是風力發電機組的關鍵部件，被廣泛應用于現代大型機械設備中。據統計，在使用滾動軸承的旋轉機械中，大約有30％的機械故障都是由于軸承引起的。近年來，基于深度學習的滾動軸承智能故障診斷方法層出不窮，為監測機械設備安全運行提供了有力的工具。
2、公開號為cn103900816a的專利技術專利公開了一種風力發電機組軸承故障診斷方法，它包括如下步驟：獲取軸承的振動信號；采用小波包分析法對振動信號進行三層分解，對各分解的高頻系數進行軟閾值量化處理，并根據小波分解的最底層低頻系數和高頻系數進行一維小波重構；對重構的振動信號進行小波包分解，提取第三層各頻帶的能量，并將各頻帶的能量構成一個故障特征輸入向量作為bp神經網絡的故障診斷輸入向量，構建三層bp神經網絡；獲取歷史故障數據的特征輸入向量樣本并將其輸入三層bp神經網絡進行訓練；獲取軸承實時運行數據的故障診斷特征向量并將其輸入到訓練好的bp神經網絡；實現對軸承故障類型的智能診斷。該專利技術能夠準確診斷軸承故障類型并精確確定故障位置，但其診斷方法需要使用大量的歷史故障數據，隨著軸承加工精度、材料性能的不斷提高，軸承使用壽命不斷延長，且當檢測到軸承發生損壞時就會被及時更換掉，導致無法獲得充足的軸承
3、近年來，深度學習在風力發電機組軸承故障診斷領域獲得了巨大的進展，由于其強大的特征學習能力和自適應特征提取能力，有可能使故障診斷更加智能和準確。此外，軸承運行的環境通常情況下是變化的，而且故障狀況繁雜，不同的故障位置，不同的故障類型等等，導致提取顯性可分的深度特征十分困難，加大了軸承故障智能診斷的難度。因此，有效地利用有限的帶標簽數據和大量的無標簽數據診斷風力發電機組滾動軸承故障具有十分重要的意義。
技術實現思路
1、本專利技術的目的在于針對現有技術之弊端，提供一種基于半監督時序學習的風力發電機組軸承故障診斷方法，以降低軸承故障智能診斷的難度，提高軸承故障診斷結果的準確性。
2、本專利技術所述問題是以下述技術方案解決的：
3、一種基于半監督時序學習的風力發電機組軸承故障診斷方法，所述方法包括以下步驟：
4、a.利用風力發電機組軸承原始振動信號構建訓練集和測試集：
5、將風力發電機組軸承原始振動信號根據不同工況、不同采樣頻率、不同故障程度、不同故障類型，劃分成訓練集和測試集，所述訓練集中包含有標簽數據和無標簽數據，所述測試集中的數據均為有標簽數據；
6、b.建立一維卷積神經網絡：
7、一維卷積神經網絡包括卷積層、池化層和全連接層，所述卷積層由卷積核組成，所述卷積核按以下方式對一維輸入數據進行卷積運算：
8、
9、式中：σ表示卷積層的激活函數；w是卷積核的權重；x是輸入；是一維卷積運算；b為偏置；c是卷積運算的輸出；
10、c.構建半監督學習模型：
11、以建立的一維卷積神經網絡作為基礎網絡，在一維卷積神經網絡中引入半監督學習機制，構建半監督學習模型，所述半監督學習機制包括編碼器和解碼器，所述編碼器由四層卷積層和四層池化層組成，對于編碼器中的每個卷積層和最大池化層，在解碼器中都有一個與之對應的反卷積層和反池化層，反卷積層中反卷積操作的輸出被定義為：
12、
13、式中：σ′表示反卷積的激活函數，是輸入x的反卷積輸出，w′是反卷積層的濾波器；
14、d.采用maml訓練半監督學習模型：
15、采用maml對半監督學習模型進行訓練，將訓練集中的有標簽數據和無標簽數據輸入到半監督學習模型，分別完成故障識別和數據重構任務，在maml的元訓練期間，通過內循環和外循環中的一個或多個梯度下降步驟來更新模型的參數；
16、e.將測試集中的有標簽數據輸入到訓練后的半監督學習模型，對半監督學習模型進行測試；
17、f.用已經測試合格的半監督學習模型判斷風力發電機組軸承故障的類型。
18、上述基于半監督時序學習的風力發電機組軸承故障診斷方法，在半監督學習模型的每層一維卷積神經網絡的并行位置上面添加時序模塊，隨著一維卷積神經網絡在深度上面的延伸，時序模塊也逐層延伸，不同層的時序模塊通過點乘運算結合在一起。
19、上述基于半監督時序學習的風力發電機組軸承故障診斷方法，采用maml訓練半監督學習模型的訓練流程如下：
20、首先從訓練集每類故障中隨機采樣一定數量的樣本，構成任務集，再從任務集中分多次隨機采樣樣本構成不同的任務，然后完成內循環的更新，單個任務的內循環參數更新過程定義為：
21、
22、式中：α是一個超參數，θ是模型的參數，θ′是θ在內循環中更新一次后的結果，表示當前任務，是對輸出f(θ)的損失進行梯度計算；
23、元學習的優化目標是對單個任務參數更新求和的過程，定義如下：
24、
25、式中：表示任務集遵循概率分布p；
26、在內循環任務集構建的過程中，從訓練集的內循環任務集之外，隨機抽取每類一個樣本構成外循環任務集，外循環的元優化描述如下：
27、
28、式中：β表示外循環的梯度更新學習率。
29、有益效果
30、本專利技術采用半監督學習模型判斷風力發電機組軸承故障的類型，可以有效地利用有限的帶標簽數據和大量的無標簽數據對模型進行訓練，很好地解決了故障數據量不足的問題，降低了軸承故障智能診斷的難度，提高了軸承故障診斷結果的準確性。采用本專利技術的技術方案，可具有以下優點：
31、a.通過整合半監督學習和元學習機制，使典型的1d-cnn能夠在有限的數據集下提升信息挖掘和特征學習能力：半監督學習機制使模型能夠從大量未標注的數據中提取特征，從而提高故障診斷的準確性；元學習機制可以加強深度學習在有限數據集下的特征學習能力，提高模型的泛化能力，有利于診斷軸承故障。
32、b.本專利技術利用的時序模塊可以在訓練過程中記憶有用的特征，防止深度學習、在傳遞過程中微弱時序特征消失現象的發生。
本文檔來自技高網...【技術保護點】
1.一種基于半監督時序學習的風力發電機組軸承故障診斷方法，其特征是，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于半監督時序學習的風力發電機組軸承故障診斷方法，其特征是，在半監督學習模型的每層一維卷積神經網絡的并行位置上面添加時序模塊，隨著一維卷積神經網絡在深度上面的延伸，時序模塊也逐層延伸，不同層的時序模塊通過點乘運算結合在一起。
3.根據權利要求1或2所述的一種基于半監督時序學習的風力發電機組軸承故障診斷方法，其特征是，采用MAML訓練半監督學習模型的訓練流程如下：
【技術特征摘要】
1.一種基于半監督時序學習的風力發電機組軸承故障診斷方法，其特征是，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于半監督時序學習的風力發電機組軸承故障診斷方法，其特征是，在半監督學習模型的每層一維卷積神經網絡的并行位置上面添加時序模...
【專利技術屬性】
技術研發人員：向玲，金子皓，蘇浩，胡愛軍，李林春，高鑫，趙晨輝，
申請(專利權)人：華北電力大學保定，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。